2023
Cairn
Fatma Hachicha et al., « Bayesian stochastic volatility predictability of cryptocurrencies with the algorithm of Metropolis Hasting », Management & Prospective, ID : 10670/1.m6rb1s
Cet article analyse la volatilité des cryptomonnaies à l’aide de la méthode de Monte-Carlo par chaînes de Markov (MCMC). L’objectif de cette étude est de trouver une technique plus efficace pour prévoir et estimer la volatilité, afin de fournir des informations cruciales aux gestionnaires de portefeuille et aux décideurs. Deux modèles ont été examinés : le modèle de volatilité stochastique autorégressive avec distribution t de Student (ARSV-t) et le modèle SVOL, en utilisant l’algorithme de Metropolis Hasting. Les résultats montrent que le modèle ARSV-t est plus performant que le modèle SVOL, surtout lorsqu’on traite des données financières hautement volatiles, telles que celles des cryptomonnaies. De plus, les prévisions obtenues avec le modèle ARSV-t sont plus précises que celles du modèle SVOL. Nous avons également constaté que la signification statistique des variables contrôlant la volatilité stochastique varie en fonction de la période d’estimation (COVID-19, guerre Russie-Ukraine). Ces résultats contribuent à améliorer notre compréhension des prévisions de la volatilité sur le marché des cryptomonnaies.